Lehre
zur Startseite

Diplomarbeiten am ifp

Heike Uhlmann

Klassifizierung in Stadtgebieten durch Kombination
von Farbluftbildern und Laserscanner Daten

Dauer der Arbeit: 7 1/2 Monate
Abschluss: Dezember 1999
Betreuer: Dr.-Ing. Norbert Haala, Prof. Dr. techn. habil. E. Csaplovics (Technische Universität Dresden)


Einleitung

Zur thematischen Kartierung von Landnutzungsarten werden weitestgehend kleinmaßstäbige Satellitenaufzeichnungen mit geringer räumlicher Auflösung genutzt. In städtischen Bereichen ist es aber auch möglich, mittels multispektraler Klassifizierung Informationen von den natürlichen und künstlichen Objekten der Stadtoberflächen zu erhalten, indem großmaßstäbige, multispektrale Orthobilddaten die Grundlage liefern. Eine Anwendung findet diese Methode in der Aktualisierung und Vervollständigung von bereits vorhandenem Datenmaterial, das in einem Geoinformationssystem (GIS) weiterverarbeitet wird.

Bei der Durchführung einer Klassifizierung auf der Basis von spektralen Informationen gelangt man jedoch sehr schnell an dessen Grenzen, wobei die vorgesehene Teilung der Szene in eine Vielzahl von Objektklassen keine zufriedenstellenden Resultate ergibt. Ein Problem stellt insbesondere die Separation der spektral ähnlich reflektierenden Objekte Bäume und Grünfläche dar. Das gleiche ist auch für Gebäude und Straßen zu sagen. Ein sicheres Unterscheidungskriterium liefert dagegen deren Höheninformation.

Es wurde eine Untersuchung vorgenommen, wie die Klassifizierungsergebnisse in Abhängigkeit unterschiedlicher Ausgangsdaten und Klassifizierungsmethoden ausfallen. Vorgegeben war eine Gliederung der Szene in die Objektklassen Gebäude, Straße, Grünfläche und Bäume. Die Ausgangsdaten für die überwachten und unüberwachten Klassifizierungsmethoden des Programms PCI Image Works umfaßten Farbinfrarotluftbilder, die in Orthobilder umgewandelt wurden sowie einen Zusatzkanal, der die in Grauwerten dargestellten Höhen enthält. Bereitgestellt wurde das im Zusatzkanal verwendete DSM-Modell von einer Laserscanner Aufnahme, von dem die relativen Höhen der Objekte über dem Gelände mittels morphologischen Operator abgeleitet wurden.

          Farbinfrarotorthobild                                                        Zusatzkanal mit relativen Objekthöhen

Alle genutzten Klassifizierungsverfahren basieren auf den spektralen Eigenschaften der zu separierenden Objekte im Klassifizierungsgebiet. Deshalb ist deren Kenntnis für eine erfolgreiche Klassifizierung notwendig.

PCI Image Works liefert zur unüberwachten und überwachten Klassifizierung die allgemein bekannten Standardverfahren. Dazu zählen:

  • K-Means
  • Isodata
  • Minimum Distance
  • Parallelepiped
  • Paralelepiped mit Maximum Likelihood zur Überlappungsauflösung
  • Maximum Likelihood
  • Maximum Likelihood mit NULL-Klasse.

Ergebnisse

Die unüberwachten Verfahren bieten sich an, wenn die Definition von Trainingsgebieten wegen Unkenntnis über das Untersuchungsgebiet nur schwer machbar ist. Die automatisch festgelegten Spektralklassen, nach denen das Gesamtbild gegliedert wird, sind leichter nach einer Klassifizierung den gewünschten Objektklassen zuzuordnen. Die zwei verfügbaren unüberwachten Klassifizierungsmethoden beruhen auf dem minimalen Abstand eines unbekannten Pixels zum nächstgelegenen Clustermittelvektor. Eine Berücksichtigung der Streubereiche von den Objektklassen kann nicht erfüllt werden.

Die Genauigkeit der unüberwachten Klassifizierungen ist abhängig von der Clusteranzahl, in die das Gesamtbild eingeteilt wird. Diese richtet sich nach der Anzahl der gewünschten Objektklassen und der Vielfältigkeit der Ausgangsdaten. Es ist ratsam, vor jeder überwachten Klassifizierung eine unüberwachte Klassifizierung durchzuführen, da dann eine Einteilung des Gesamtbildes in verschiedene Objektklassen leichter fällt und weniger Zeit in Anspruch genommen wird.

Die überwachten Verfahren benötigen für die Berechnung der Klassifizierung weniger Zeit, sind aber in der Festlegung und Verbesserung der Trainingsgebiete viel zeitaufwendiger und abhängig von der Erfahrung und Ortskenntnis des Auswerters, als die nachträgliche Zuordnung der Spektralklassen zu Objektklassen bei den unüberwachten Verfahren.

Die festgelegten Trainingsgebiete wurden den Informationen der Ausgangsdaten angepaßt und waren deshalb nicht für alle Untersuchungen gleich. Nachdem der zusätzliche Höhenkanal in die Klassifizierung mit einbezogen wurde, ergab sich z. B. eine sinnvolle Unterteilung der Gebäude nach ihren entsprechenden Höhen, weniger Wert wurde dagegen auf die spektralen Informationen gelegt.

Zur Beurteilung der Genauigkeit jedes einzelnen Klassifizierungsergebnisses bietet sich besonders die Berechnung von Fehlermatrizen an. Ein absoluter Vergleich der Klassifizierungsergebnisse ist nicht nur an Testgebieten durchgeführt worden, sondern erfolgte anhand eines manuell erstellten Referenzbildes, das als richtig angenommen wurde. Dessen Festlegung ist jedoch teilweise auch nur eine subjektive Entscheidung, da an den Rändern zweier angrenzender Objektklassen Mischpixel auftreten, die beiden Klassen angehören. Deren Zuordnung zu einer Objektklasse ist dann von der Interpretation des Auswerters abhängig.

manuell erzeugtes Referenzbild

Die Klassifizierung auf der Grundlage der Orthobilder des roten und grünen Spektralkanals zeigt (Abbildung a), daß keine der Objektklassen Gebäude, Bäume, Grünfläche und Straße separat ausgewiesen werden können. Die Ergebnisse der überwachten Klassifizierungen fallen nicht besser aus als die der unüberwachten Klassifizierungen.

Nach Hinzunahme des Infrarot-Kanals verbessern sich die Klassifizierungsergebnisse bereits erheblich (Abbildung b). Es wurde die Tatsache ausgenutzt, daß die Vegetation im Infrarot, verglichen zu allen anderen Objekten, eine starke Reflexion hervorruft. Die angestrebte Trennung der Vegetation, d. h. der Klassen Bäume und Grünfläche von den übrigen Objektklassen, erfüllte sich in den Klassifizierungsresultaten. Eine andere Variante zur Klassifizierung der Vegetationsarten ist die Berechnung des Vegetationsindexes, dessen Grauwerte in einem Kanal zur Verfügung stehen und die Kanäle Rot sowie nahes Infrarot ersetzt.

Durch Kombination der Farbinfrarotluftbilder mit den Höhenkanal und Anwendung in einem Klassifizierungsschritt wird ein gutes Klassifizierungsergebnis erreicht (Abbildung c). Alle Objektklassen erhalten eine richtige Zuweisung zu den vorgegebenen Objektklassen.

Abb.: a Abb.: b Abb.: c

Darüber hinaus ist es möglich, die Gebäude in weitere Unterklassen aufzuteilen (Abbildung d) wie beispielsweise in flache, hohe oder sehr hohe Gebäude.

Farbe Klasse
hellgrün Grünfläche
ocker Gebäude 1
dunkelrot Gebäude 2
violett Gebäude 3
rotbraun Gebäude 4
pink Gebäude 5
orange Gebäude 6
dunkelgrün Bäume
hellgelb Straße 1
hellblau Straße 2
dunkelblau Schatten
Abb.: d

Die besten Ergebnisse erzielt man mit der Maximum Likelihood Klassifizierung oder mit der unüberwachten Isodata Klassifizierung, aber auch nur dann, wenn mit den Ausgangsdaten genügend Unterscheidungsmerkmale für die Objektklassen mitgeliefert werden, das nur für die Klassifizierungen mit allen vier Ausgangskanälen zutrifft. Das Minimum Distance Verfahren zeigt stets schlechtere Ergebnisse als die unüberwachten Verfahren, von einer Anwendung dieser Methode ist deshalb abzuraten. Die Parallelepiped Klassifizierung ohne Auflösung der Überlappungsbereiche zwischen verschieden Objektklassen ist auf keinen Fall für eine Klassifizierung anzuwenden, da sich nahezu alle Objektklassen mit anderen Klassen überschneiden, und diese Bereiche dann einer Überlappungsklasse zugewiesen werden. Das Parallelepiped Verfahren mit der Auflösung der Überlappungsklasse zeigt fast gleich gute Resultate wie die Maximum Likelihood Klassifizierung ohne NULL-Klasse.

Die Klassifizierung mit den Farbinfrarotluftbildern und dem zusätzlichen Höhenkanal ergibt in Hinblick auf die Separation der Objektklassen Gebäude, Bäume, Straße und Grünfläche sehr gute Ergebnisse und eignet sich gut für eine Weiterverarbeitung in einem GIS.